4. 数据准备与特征工程

授信额度模型的上限，往往不在算法，而在数据。数据准备与特征工程决定了模型能看到什么、能区分什么、能稳定多久。本节围绕四条主线展开：数据源怎么梳理、征信变量怎么用、行为变量怎么建、特征怎么衍生与筛选。

一、核心原理：先有数据地图，再有特征工厂

数据准备不是“把表拼起来”，而是建立一张数据地图：每个数据源对应什么业务时点、覆盖什么客群、更新频率如何、主键是什么、缺失率与合规边界在哪里。没有数据地图，后续特征工程会陷入“字段很多、可用很少”的困境。

特征工程的核心原理可以概括为三句话：

• 时点正确：任何变量只能使用授信申请时点或额度调整时点之前可获得的信息，避免未来信息泄漏。
• 业务可解释：特征要能回答“它刻画了什么风险维度”，否则入模后无法复盘、无法向业务解释。
• 稳定可监控：特征上线后要有PSI、缺失率、覆盖率的监控口径，能发现漂移。

二、方法流程：从数据源到入模特征

建议按以下六步推进，每一步都有交付物：

1. 数据源盘点：列出申请信息、征信数据、内部行为、外部三方、设备与关系网络等，标注主键、时点、更新频率、合规授权。
2. 时点对齐：以申请/调额时点为基准，向前取最近一次快照或聚合窗口，形成宽表。
3. 变量分层：分为征信变量、行为变量、申请变量、外部变量四类，分别定义口径。
4. 特征衍生：在原始变量上做趋势、占比、波动、交叉、时间衰减等加工。
5. 特征筛选：先做缺失、覆盖、IV、相关性、共线性、稳定性过滤，再做多变量筛选。
6. 特征验收：输出特征字典、监控指标、回测结果，进入模型训练。

三、征信变量：结构化与准结构化并重

征信变量通常分为几类：账户类（账户数、授信总额、已用额度、账龄）、逾期类（当前逾期、历史逾期次数、最长逾期天数）、查询类（近3/6/12月查询次数、贷款审批查询占比）、公共类（法院、税务、行政处罚等）。

征信变量使用要点：

• 查询类变量对多头风险敏感，但要注意“本人查询”与“机构查询”区分。
• 逾期类变量要区分“当前逾期”与“历史逾期”，前者是强风险信号。
• 账户类变量要结合账龄与额度使用率，避免只看绝对额。
• 征信报告版本变化会导致字段口径变化，需做版本映射。

四、行为变量：从交易流水到风险画像

行为变量来自内部交易、还款、登录、设备等，是区分“好客户”与“坏客户”的重要补充。常见构建方式：

• 还款行为：按时还款比例、逾期天数分布、提前还款次数、最低还款次数。
• 交易行为：月均消费金额、消费笔数、夜间交易占比、大额交易频率。
• 额度使用：额度使用率、使用率变化趋势、临时额度使用情况。
• 活跃与设备：登录频次、设备更换次数、常用设备稳定性。

行为变量通常按时间窗口聚合，例如近1/3/6/12月。窗口越长，稳定性越好，但时效性越弱；窗口越短，敏感度高，但噪声大。建议同时保留长短期窗口，让模型自己权衡。

五、特征衍生与筛选：从原始字段到入模变量

特征衍生常用方法包括：

• 趋势类：近3月均值/近12月均值、环比、同比。
• 占比类：某类交易占比、逾期账户占比、查询机构类型占比。
• 波动类：标准差、变异系数、最大最小值差。
• 交叉类：额度使用率×逾期次数、查询次数×账龄。
• 时间衰减：对近期行为赋更高权重。

筛选方法建议分三层：

1. 基础过滤：缺失率过高、覆盖率过低、单一值占比过高、时点不可回溯的特征直接剔除。
2. 单变量筛选：IV值、KS、AUC、信息增益，保留区分度达标且方向合理的特征。
3. 多变量筛选：相关性矩阵、VIF、逐步回归、LASSO、树模型重要性，控制共线性与过拟合。

六、案例与误区复盘

案例场景：某消费金融公司在额度模型中引入“近6月机构查询次数”，单变量IV为0.18，KS为0.21，看似很好。但上线后PSI连续两月超过0.3，原因是渠道策略调整导致查询次数整体下降。复盘发现：该变量与渠道强相关，未做渠道分层校准。后续改为“查询次数/同渠道均值”的相对指标，稳定性明显改善。

数据准备与特征工程是额度模型的“地基”。把数据源梳理清楚、把征信与行为变量口径定义准确、把衍生与筛选流程标准化，后续的模型训练与额度分层才有可靠输入。建议团队建立统一的特征字典与监控看板，让每一个入模特征都能被追溯、被解释、被监控。